基于计算机视觉人流密度分析的中央空调负荷调配方法组成比例

本发明专利技术公开了一种基于计算机视觉人流密度分析的中央空调负荷调配方法。方法包括：采集安装有中央空调的房间内的实时视频流，将视频图像作为原始背景图像输入单高斯背景模型中处理后获得去噪前景图像；使用目标跟踪KCF方法处理获得预测图像，使用区域人数统计方法计算人员数量；建立人员数量

【技术实现步骤摘要】
基于计算机视觉人流密度分析的中央空调负荷调配方法


[0001]本专利技术涉及了一种中央空调负荷调配方法，具体涉及一种基于计算机视觉人流密度分析的中央空调负荷调配方法。

技术介绍

[0002]中央空调在商用楼宇、高校、企事业单位中应用广泛。因中央空调缺少统一调配以及缺少合理管理导致空调能源的使用效能未能有效提升。不仅浪费了大量电能、而且造成了不必要的经济支出。
[0003]智能楼宇对于中央空调这类能源符合的调配需求始终存在，但是如何调配这些空调负荷以保证楼宇空间内温度达标，同时也能满足最小经济成本，这些问题始终未得到有效解决，其原因在于没有结合中央空调的实际应用场景，开展针对性负荷调配。例如针对楼宇内人员数量来调配不同区域的送风量问题。由于楼宇内人员频繁流动，因此对不同区域的中央空调运行状态要求存在差异。针对楼宇环境下的中央空调实时调配问题，关键在于如何准确及时地统计出被监控区域内的流动人员数量。

技术实现思路

[0004]为了解决
技术介绍
中存在的问题，本专利技术所提供一种基于计算机视觉人流密度分析的中央空调负荷调配方法。
[0005]本专利技术采用的技术方案是：
[0006]本专利技术中央空调负荷调配方法包括如下步骤：
[0007]S1、使用监控摄像机采集安装有中央空调的房间内的实时视频流，针对实时视频流中的每帧视频图像，将视频图像作为原始背景图像输入单高斯背景模型中处理后获得去噪前景图像；具体采用了固定机位的监控摄像机输出图像，以保证所得到的每一帧图像的背景信息不会显著变化。
[0008]S2、根据每张去噪前景图像，使用目标跟踪KCF方法处理后获得预测图像，并使用区域人数统计方法计算预测图像中房间内的人员数量；即使用目标跟踪KCF方法对检测场所内人员与目标跟踪，实现场所内人群数量计数。
[0009]S3、建立人员数量
‑
空调负荷模型。
[0010]S4、针对每张预测图像中房间内的人员数量，将人员数量输入人员数量
‑
空调负荷模型中，人员数量
‑
空调负荷模型输出中央空调的空调负荷，作为中央空调的当前空调负荷，最终实现对中央空调的实时负荷调配。
[0011]所述的步骤S1中，将视频图像作为原始背景图像输入单高斯背景模型中处理，具体为首先对单高斯背景模型对原始背景图像进行初始化，即在预设图像残差标准差值下对原始背景图像进行处理获得前景图像，然后检测前景图像与原始背景图像中的每个像素点的像素值，针对每张原始背景图像和前景图像的相同位置处的像素点的像素值，将原始背景图像和前景图像的相同位置处的像素点进行残差判定，获得去噪前景图像。
[0012]所述的针对每张原始背景图像和前景图像的相同位置处的像素点的像素值，将原始背景图像和前景图像的相同位置处的像素点进行残差判定，具体为根据原始背景图像和前景图像的相同位置处的像素点的像素值计算获得像素残差值并和预设像素残差阈值T
h
进行比较，当计算获得的像素残差值超过像素残差阈值T
h
，则保留当前的前景图像的像素点，当计算获得的像素残差值不超过像素残差阈值T
h
，则更新当前的前景图像的像素点，更新完成后获得最终的去噪前景图像。
[0013]采用第一帧图像作为原始的背景图像，将图像残差标准差初始值设定为S
td
(init)＝0。设置初始化背景的期望值为：μ
t＝0
(x，y)＝I(x，y，t＝0)，标准差为：σ
t＝0
(x，y)＝S
td
(init)。
[0014]单高斯背景模型在处理中会求出每一帧图像的每一个像素点的出现概率，并且在t时刻的背景像素的出现概率值需要满足：|I(x，y，t)
‑
μ
t
‑1(x，t)|＜λσ
t
‑1，前景像素的出现概率值需要满足：|I(x，y，t)
‑
μ
t
‑1(x，y)|≥λσ
t
‑1，I(x，y，t)为t时刻在(x，y)像素点的像素值，μ
t
‑1表示t
‑
1时刻的前景像素的期望值，表示阈值系数，σ
t
‑1表示t
‑
1时刻的前景像素的标准值。
[0015]所述的像素残差阈值T
h
具体如下：
[0016]T
h
＝λσ
t
‑1[0017]其中，λ表示阈值系数；σ
t
‑1表示上一帧去噪前景图像在t
‑
1时刻的像素点的标准值。
[0018]所述的更新当前的前景图像的像素点，具体为更新当前的前景图像的像素点的像素参数值，包括期望值与标准差，具体如下：
[0019]μ
t
(x，y)＝(1
‑
α)*μ
t
‑1(x，y)+α*I(x，y，t)
[0020][0021]其中，μ
t
(x，y)和μ
t
‑1(x，y)分别表示当前帧前景图像在t
‑
时刻和上一帧前景图像在t
‑
1时刻的像素点的期望值，x和y分别为像素点在前景图像中的坐标；α表示更新因子；I(x，y，t)表示当前帧前景图像在t
‑
时刻的像素点的像素值；σ
t
(x，y)和σ
t
‑1(x，y)分别表示当前帧前景图像在t时刻和上一帧前景图像在t
‑
1时刻的像素点的标准差。
[0022]所述的步骤S2中，使用目标跟踪KCF方法处理后获得预测图像，使用区域人数统计方法计算预测图像中房间内的人员数量，具体如下：
[0023][0024]其中，N
t
和N
t
‑1分别表示当前帧预测图像中在t时刻以及上一帧预测图像中在t
‑
1时刻的房间内的人员数量；P
i
表示目标跟踪KCF方法在预测图像中检测的第i个目标的目标路径向量；表示目标跟踪KCF方法在预测图像中检测的检测区域的边界点(a，b，c，d)的法向量，
[0025]所述的目标跟踪KCF方法在预测图像中检测的第i个目标的目标路径向量P
i
具体为目标跟踪KCF方法在预测图像中检测的第i个目标从进入检测区域到离开检测区域
路径的起点与终点构成的向量。
[0026]所述的步骤S3中，建立的人员数量
‑
空调负荷模型具体如下：
[0027]S＝S
norm
‑
ΔS≤S
total
[0028][0029]其中，S和S
norm
表示房间内的中央空调在t时刻调配后和调配前的空调负荷；ΔS表示房间内的中央空调在t时刻的空调负荷的调控量；S
total
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于计算机视觉人流密度分析的中央空调负荷调配方法，其特征在于：方法包括如下步骤：S1、使用监控摄像机采集安装有中央空调的房间内的实时视频流，针对实时视频流中的每帧视频图像，将视频图像作为原始背景图像输入单高斯背景模型中处理后获得去噪前景图像；S2、根据每张去噪前景图像，使用目标跟踪KCF方法处理后获得预测图像，并使用区域人数统计方法计算预测图像中房间内的人员数量；S3、建立人员数量
‑
空调负荷模型；S4、针对每张预测图像中房间内的人员数量，将人员数量输入人员数量
‑
空调负荷模型中，人员数量
‑
空调负荷模型输出中央空调的空调负荷，作为中央空调的当前空调负荷，最终实现对中央空调的实时负荷调配。2.根据权利要求1所述的一种基于计算机视觉人流密度分析的中央空调负荷调配方法，其特征在于：所述的步骤S1中，将视频图像作为原始背景图像输入单高斯背景模型中处理，具体为首先对单高斯背景模型对原始背景图像进行初始化，即在预设图像残差标准差值下对原始背景图像进行处理获得前景图像，然后检测前景图像与原始背景图像中的每个像素点的像素值，针对每张原始背景图像和前景图像的相同位置处的像素点的像素值，将原始背景图像和前景图像的相同位置处的像素点进行残差判定，获得去噪前景图像。3.根据权利要求2所述的一种基于计算机视觉人流密度分析的中央空调负荷调配方法，其特征在于：所述的针对每张原始背景图像和前景图像的相同位置处的像素点的像素值，将原始背景图像和前景图像的相同位置处的像素点进行残差判定，具体为根据原始背景图像和前景图像的相同位置处的像素点的像素值计算获得像素残差值并和预设像素残差阈值T
h
进行比较，当计算获得的像素残差值超过像素残差阈值T
h
，则保留当前的前景图像的像素点，当计算获得的像素残差值不超过像素残差阈值T
h
，则更新当前的前景图像的像素点，更新完成后获得最终的去噪前景图像。4.根据权利要求3所述的一种基于计算机视觉人流密度分析的中央空调负荷调配方法，其特征在于：所述的像素残差阈值T
h
具体如下：T
h
＝λσ
t
‑1其中，λ表示阈值系数；σ
t
‑1表示上一帧去噪前景图像在t
‑
1时刻的像素点的标准值。5.根据权利要求3所述的一种基于计算机视觉人流密度分析的中央空调负荷调配方法，其特征在于：所述的更新当前的前景图像的像素点，具体为更新当前的前景图像的像素点的像素参数值，包括期望值与标准差，具体如下：μ
t
(x，y)＝(1
‑
...

【专利技术属性】
技术研发人员：杨捷，朱锦奇，朱小冬，王群生，汪显博，邱泽贤，仇垚，钱国英，
申请(专利权)人：浙江大学，
类型：发明
国别省市：